张海挺

产品案例

从AI验光到情感对话系统,记录AI产品化的实践与思考。
每个案例都经过真实项目验证,包含可复用的方法论。

Agent设计流程AI化对话产品RAG优化嵌入式
01

AI + 硬件的产品化

让AI能力在物理世界落地

Agent设计设备控制线上线下融合

AI能力的产品化不仅是输出一个对话界面,更需要打通物理世界的感知与执行闭环。通过设计双AI Agent系统,实现专业能力与情感陪伴的结合,让AI从「能说」到「能做」。

45步
用户流程步骤
< 2s
Agent协作响应
95%
设备覆盖率

双AI Agent系统设计

将AI能力拆分为「专业Agent」与「情感Agent」双轨运行。专业Agent处理验光参数、处方计算等确定性任务;情感Agent处理用户情绪识别、陪伴对话等不确定性任务。两者通过消息总线协作,共同支撑用户体验。

设备控制闭环

定义标准化的设备控制接口,将语音指令转换为设备行为。核心挑战在于异常处理——设备故障、响应超时、状态不一致等场景需要设计断路机制与降级策略,保证流程可回退、可重试。

线上线下融合体验

打破线上线下边界:用户在线上预约、线下体验,数据实时同步。验光完成后处方自动推送到用户端,支持线上复诊和线下配镜。体验流畅度决定用户留存。

核心洞察

  • 能用单API解决就不用Agent,Agent是最后手段而非首选
  • 设备控制的关键是异常处理机制,而非正常流程设计
  • 线上线下数据打通是体验流畅度的基础
02

复杂流程的AI化改造

人工流程到AI流程的拆解方法论

流程拆解节点定义最小可行性AI

将人工流程AI化需要系统性的拆解方法。不是简单地将人工步骤替换为AI,而是重新定义每个节点的输入输出、异常边界与交接机制。18步验光流程的拆解是典型实践。

18步
流程节点数
60%
AI化节点占比
85%
异常覆盖

18步验光流程拆解

将传统人工验光拆解为18个标准化节点,每个节点定义明确的输入(用户响应/设备数据)、输出(检测结果)、异常条件与处理策略。关键节点设置双保险机制,确保流程可靠。

节点定义与异常处理

每个节点需要考虑:正常路径、异常路径(用户不配合、设备故障、数据不准确)、回退路径(返回上一节点、重试、跳过)。异常处理的设计往往比正常流程更花时间。

最小可行性AI流程

不是所有节点都需要AI介入。从投入产出比看,优先将「高人力成本、高标准化程度」的节点AI化。验光中如视力表读取适合AI,而眼健康初筛仍需人工判断。

核心洞察

  • 流程设计不是越精细越好,关键是对关键节点的识别
  • 异常处理设计占据80%的工作量
  • 最小可行性AI是控制复杂度的好方法
03

对话产品的设计框架

从Prompt到可复用的对话策略

Prompt设计角色约束对话状态管理

对话产品的核心挑战是可控性与用户体验的平衡。结构化的Prompt设计、角色边界约束、情绪强度匹配规则,构成对话产品的设计框架。Prompt注入和角色漂移是两大核心问题。

3层
Prompt分层结构
100+
干预路径
90%
对话一致率

结构化Prompt设计

Prompt不仅是指令,而是包含角色定义、输出格式、约束条件、示例的系统设计。采用分层结构:核心角色层(不变)、任务指令层(可变)、上下文层(动态注入)。结构化设计让Prompt可维护、可扩展。

角色约束与边界设计

对话AI容易出现「角色漂移」——聊着聊着变成了另一个角色。通过规则引擎约束AI的行为边界:当用户试图引导AI扮演其他角色时,触发预设的纠正响应。同时设计「话题切换」机制,允许用户自然地转换讨论方向。

情绪强度匹配规则

对话不是越专业越好,而是越「合适」越好。根据用户的情绪状态动态调整回应策略:用户焦虑时先安抚再给建议,用户理性时可以直接给方案。设计多级情绪响应机制,避免「机械式回答」。

核心洞察

  • Prompt注入和角色漂移是两大核心风险,需要规则约束
  • 上下文工程比模型本身更重要,信息杂乱会分散模型注意力
  • 情绪匹配是体验差异化的关键

对AI产品化感兴趣?